基于改進Radon變換法的電力設備傾斜圖像校正研究

郭文誠 崔昊楊 馬宏偉 霍思佳 葛晨航

摘 要：變電站設備巡檢過程中采集到的現場設備圖像往往會出現角度傾斜問題，給設備檢測圖像的處理和分析帶來困難。特別是電力設備紅外圖像傾斜，將給基于圖像檢測技術的設備識別和溫度特征提取帶來較大誤差。為此文中提出了基于改進Radon變換的電力設備傾斜圖像校正方法，采用灰度特征的模板匹配方法選取設備的前景區域，并通過Canny邊緣檢測方法對其提取出設備的邊緣圖像，最后采取Radon變換法計算目標設備的傾斜角度并進行旋轉操作，實現設備紅外圖像的傾斜校正。母線PT，CT等典型設備的紅外圖像對比實驗結果表明，文中算法相比傳統Radon變換法的傾斜校正效果有了大幅提升，且具有很好的適應性。

關鍵詞：設備圖像;模板匹配;Radon變換;傾斜校正;邊緣檢測;紅外檢測

中圖分類號：TP393文獻標識碼：A文章編號：2095-1302（2019）04-00-04

0 引 言

紅外檢測技術是電力設備巡檢中的常用技術手段，通過對電力設備紅外圖像進行處理可直觀呈現缺陷檢測結果，相比傳統人工篩查方式具備速度快、精度高等優勢，但實際處理效果受前端圖像采集系統影響，對設備圖像質量提出了較高要求[1]。然而由于拍攝場地的限制以及操作人員專業程度的影響，采集到的圖像難免存在傾斜問題，嚴重弱化了基于圖像分割的特征提取能力以及設備缺陷識別準確度[2-5]。為解決圖像傾斜給后續圖像處理帶來的困難，國內外學者提出了基于線性擬合、傅里葉變換以及投影等傾斜角度校正方法。其中，使用火柴棒模型可以整體旋轉校正目標設備，但傾斜角檢測容易出現誤差，導致過校正或欠校正[6];通過傅里葉變換可實現對圖像目標設備的像素級處理，有效檢測目標傾斜角，但計算量極大，實時性弱，難以批量處理圖像;基于最小二乘與垂直偏移原理的校正方法，首先將待校正區域擬合為直線，然后通過滑動窗口進行角度檢測，并利用最小化投影點坐標的方差對垂直方向進行傾斜校正，該方法具有較高的計算效率和精確度，但魯棒性不強，難以滿足批量處理時效果的穩定性[7];Radon算子進行圖像傾斜校正時受圖像背景信息的影響較大，導致該方法對簡單背景圖像的處理效果較好，但背景環境復雜時誤差較大[8]。因此，針對復雜環境下拍攝的電力設備紅外圖譜，傳統的Radon變換算法難以區分圖像前景信息，無法實現目標設備傾斜角度的精確測量。

針對上述問題，本文提出一種改進的Radon變換算法，即在傳統Radon算子中引入模板匹配法對復雜環境中的傾斜圖像進行校正。

（1）利用圖像灰度特征，通過歸一化積相關算法（Normalized Cross Correlation，NCC）對復雜環境圖像中的設備進行精確定位，從而提取電力設備紅外圖像中的前景信息;

（2）采用Canny算子對其進行邊緣檢測，并結合Radon變換算法對傾斜前景圖像進行投影積分計算，獲取圖像的傾斜程度;

（3）根據所計算的圖像傾斜角采用雙線性插值方式實現設備傾斜紅外圖像的校正。

該方法將整幅圖像的Radon變換精簡為圖像前景區域的Radon變換，避免嘈雜的圖像背景對前景傾斜角計算的影響。同時使用本文提出的算法與傳統Radon變換算法進行對比實驗研究。實驗結果表明，本文方法明顯提高了電力設備紅外圖像傾斜校正的精確度，并使得校正后的紅外圖像可以滿足后續圖像分割識別等處理步驟的圖像質量需求，進一步提高了紅外檢測法的可靠性。

1 基于改進Radon變換法的電力設備傾斜圖像校正

1.1 傳統Radon變換的傾斜圖像校正算法

傳統Radon變換[9-13]在圖像邊緣檢測的基礎上，將灰度圖輪廓信息在0°～180°范圍內的不同方向上進行線性積分，其灰度圖f（x，y）在角度θ上產生的投影如式（1）所示。當式（1）達到極大值時，其投影距離所對應的角度θ即為原紅外圖像的傾斜角。

1.2 基于NCC算法的改進Radon變換傾斜校正方法

針對電力系統設備紅外圖譜背景信息高度復雜的問題，在進行圖像處理時需要采用一定圖像處理方法降低圖像中的背景干擾，并計算目標設備前景區域傾斜角，以保證傾斜校正的精確性。因此，本文方法首先通過已確定的模板與傾斜圖像中各待選窗口進行匹配，提取與待檢測設備相關的目標區域，然后采用Radon積分變換對提取的前景灰度圖進行角度識別，最后使用雙線性插值方法實現對傾斜設備圖像的校正，具體流程如圖2所示。

2 傾斜圖像校正的比對實驗

2.1 實驗步驟

選取一幅在環境溫度20 ℃，濕度55%條件下采集的白莊站220 kV文白線CT紅外圖像，并從設備模板庫中調取對應的CT模板圖像，CT紅外原圖及CT模板圖像如圖3所示。其中CT紅外圖像像素尺寸為530×360，CT模板圖像像素尺寸為280×320。對兩幅圖像分別做灰度化處理，在設備原圖中以遍歷的方法逐一選取與模板圖像尺寸一致的設備子圖，同時采用歸一化積相關算法計算出與模板圖像相似度最高的子圖像，匹配結果如圖4所示。

2.2 實驗結果對比與分析

為了驗證本文方法的有效性，采用本文方法與Radon變換法分別對白莊站220 kV母線PT，110 kV母線PT與220 kV CT紅外圖像進行傾斜校正，采集得到的原始圖像及分別使用兩種算法處理后的圖像如圖6所示。紅外原圖均在環境溫度20 ℃，濕度55%的條件下采集得到。

圖6（a）～（c）分別對應220 kV母線PT，110 kV母線PT與220 kV CT的紅外檢測原始結果，即傾斜的紅外原圖像，圖6（d）～（f）分別為各設備傾斜圖像進行Radon變換法校正后的結果。Radon變換法校正結果表明，傳統Radon變換法僅對220 kV母線PT紅外圖像（即圖6（d））有較好的校正結果。對于圖6（f）所示的220 kV CT紅外校正圖像，在經過Radon變換法校正后依然存在一定的傾斜角度，而圖6（f）中靠左側的電線桿被當做目標校正至傾斜角為0。經Radon變換法校正后110 kV母線PT紅外圖像（e）存在更為嚴重的傾斜情況，算法將（e）圖像中一條電線錯認為目標，并將其校正。這是因為Radon變換法檢測角度是根據邊緣檢測后的圖像在各個方向上進行投影，當投影距離出現極值時所對應的方向角為檢測到的傾斜角，即在圖像各個方向上尋找最長的一條線。220 kV CT紅外圖像中的電線桿和110 kV母線PT紅外圖像中的導線被認為是圖像中某一方向上的最長直線，它們與水平方向的夾角被錯誤的判定為整幅圖像的傾斜角度，致使Radon變換法校正后的設備圖像依舊存在傾斜現象，并且校正效果較差。

改進后的Radon變換法校正結果如圖6（g）～（i）所示，與傳統Radon算法相比，改進方法可以實現不同場景下各種傾斜設備圖像的精確校正。其原因在于，改進的Radon變換法使用歸一化積相關算法剔除部分背景圖像，僅對設備圖像的前景區域進行Radon變換，降低了變電站中大量嘈雜背景的干擾。

為進一步研究改進Radon算法對不同背景及傾斜角度紅外圖像的校正性能，本文在Radon域上對傾斜角具體數據進行定量分析，結果如圖7所示。其中圖（a）～（c）分別表示220 kV母線PT，110 kV母線PT與220 kV CT圖像在Radon域上的投影結果。圖中橫坐標theta是Radon變換法檢測的角度范圍，本文所取為-45°～45°;縱坐標x是平行直線與原點間的距離。設備圖像的傾斜程度可通過投影最大值所在位置獲得，且最大值在圖中以高亮點的形式呈現，則檢測到的220 kV母線PT圖像傾斜角對應7°，110 kV母線PT圖像傾斜角為3°，220 kV CT圖像傾斜角為12°，各圖像經人工測量得到的傾斜角度分別為7°，3°，11°，其相對誤差較小，由此驗證了本文方法的校正結果具有很高的精確度，校正后的紅外圖像可以滿足后續圖像分割識別等處理步驟的圖像質量需求。

3 結 語

針對變電站智能巡檢系統存在的圖像傾斜問題，本文提出了一種基于模板匹配的Radon變換算法，實現了對電力設備紅外圖像的傾斜校正處理。

基于模板匹配的Radon變換算法通過模板匹配算法提取設備紅外圖像的前景信息，結合Radon算子僅對所選目標區域進行傾斜角的分析計算，實現了整幅圖像傾斜角的獲取。

與傳統Radon變換相比，基于模板匹配的Radon變換算法克服了背景噪聲的干擾，明顯提升了電力設備紅外圖像傾斜校正的精確度，校正后的圖像可充分滿足變電站智能監測系統的圖像質量需求，為后續圖像批量處理系統的實現奠定了基礎。

注：本文通訊作者為崔昊楊。

參 考 文 獻

[1]余萍，崔少飛，葛永新，等.基于對齊度的電力設備紅外與可見光的圖像配準[J].激光與紅外，2008，38（7）：737-740.

[2]馮新穎，范佳佳，呂晶，等.基于Radon變換的電氣連接器圖像傾斜校正[J].機電工程技術， 2017，46（2）：29-31，82.

[3]胡麗華.傾斜圖像特征的矯正方法研究與仿真[J].計算機仿真， 2016，33（3）：310-313.

[4]鐘金榮，杜奇才，劉熒，等.特征提取和匹配的圖像傾斜校正[J]. 中國圖象圖形學報，2013，18（7）：738-745.

[5]朱顥東，姚妮.基于Sobel算子與旋轉投影的紙幣圖像傾斜校正法[J].科學技術與工程，2013，13（8）：2263-2266.

[6]吳震宇，杜宇人.一種基于火柴棒模型的圖像水平傾斜矯正算法[J].揚州大學學報（自然科學版），2009，12（4）：66-69.

[7] KAUSHIK D，ANDREY V，JUNG-WON K，et al. Vehicle license plate tilt correction approach based on minimum variance of edge projection[J].International journal of control，automation and systems，2010，8（5）：975-984.

[8]劉習文，洪波，戴鐵峰.激光視覺焊縫跟蹤圖像處理與坡口識別[J].激光與紅外，2011，41（7）：804-807.

[9]吳麗麗，余春艷.基于Sobel算子和Radon變換的車牌傾斜校正方法[J].計算機應用，2013，33（S1）：220-222.

[10]石爽，曲仕茹，趙海，等.基于脊波的紅外圖像自適應增強算法[J].激光與紅外，2012，42（9）：1058-1062.

[11]劉曉明，王云柯，廖欣，等.一種新的車牌字符圖像的提取方法[J].計算機應用，2007，27（z1）：113-118.

[12]張春華，周曉東，劉松濤.海天背景紅外圖像小目標自動定位方法[J].激光與紅外，2007（1）：94-97.

[13]劉群群.不定長車牌字符分割算法研究[D].杭州：浙江大學， 2011.